Точная настройка калибровки дисплея — Служба поддержки Apple (RU)
Поиск по этому руководству
- Добро пожаловать!
- Строка меню
- Spotlight
- Пункт управления
- Siri
- Центр уведомлений
- Рабочий стол
- Dock
- Finder
- Подключение к интернету
- Просмотр веб-сайтов
- Регулировка громкости
- Просмотр и редактирование файлов при помощи Быстрого просмотра
- Быстрая запись короткой заметки
- Настройка Экранного времени для себя
- Настройка фокусирования для сосредоточения на задаче
- Редактирование фотографий и видео в приложении «Фото»
- Использование функции «Что на картинке?» с фотографиями
- Получение маршрутов в приложении «Карты»
- Создание записи в приложении «Диктофон»
- Использование жестов трекпада и мыши
- Использование панели Touch Bar
- Использование Touch ID
- Использование сочетаний клавиш
- Обновление macOS
- Встроенные приложения
- Открытие приложений
- Работа с окнами приложений
- Использование приложений в полноэкранном режиме
- Использование приложений в режиме Split View
- Загрузка приложений из Mac App Store
- Установка и переустановка приложений из Mac App Store
- Установка и удаление других приложений
- Изменение системных настроек
- Изменение картинки на рабочем столе
- Использование заставок
- Добавление учетной записи электронной почты и других учетных записей
- Использование быстрых команд для автоматизации задач
- Создание Memoji в приложении «Сообщения»
- Изменение картинки, представляющей Вас или других людей в приложениях
- Смена языка системы
- Улучшение видимости экрана
- Создание документов и работа с ними
- Открытие документов
- Использование диктовки
- Добавление примечаний к файлам
- Объединение файлов в один файл PDF
- Печать документов
- Организация рабочего стола с помощью стопок
- Группировка файлов по папкам
- Добавление тегов к файлам и папкам
- Отправка электронных писем
- Использование функции «Онлайн-текст» для взаимодействия с текстом на фотографии
- Резервное копирование файлов
- Восстановление файлов
- Создание Apple ID
- Управление настройками Apple ID
- Что такое iCloud?
- Что такое iCloud+?
- Настройка iCloud на компьютере Mac
- Хранение файлов в iCloud Drive
- Обмен файлами с помощью Общего доступа к файлам iCloud
- Управление хранилищем iCloud
- Использование Фото iCloud
- Что такое «семейный доступ»?
- Настройка Семейного доступа
- Добавление пользователей на Mac
- Настройка Экранного времени для ребенка
- Совместное использование покупок с членами семьи
- Совершение вызова FaceTime
- Использование SharePlay для совместного просмотра и прослушивания
- Отправка текстовых сообщений
- Предоставление общего доступа к календарю членам семьи
- Просмотр контента, которым с Вами поделились
- Просмотр геопозиций друзей и близких
- Использование Непрерывности для работы с несколькими устройствами Apple
- Потоковая передача аудио и видео через AirPlay
- Использование клавиатуры и мыши или трекпада для управления несколькими устройствами
- Использование iPad в качестве второго дисплея
- Передача задач между устройствами
- Вставка фотографий и отсканированных документов с iPhone или iPad
- Вставка зарисовок с iPhone или iPad
- Копирование и вставка с использованием нескольких устройств
- Использование Apple Watch для разблокировки Mac
- Совершение и прием вызовов на Mac
- Пересылка файлов между устройствами с помощью AirDrop
- Синхронизация музыки, книг и других материалов между устройствами
- Воспроизведение музыки
- Прослушивание подкастов
- Просмотр фильмов и телешоу
- Чтение и прослушивание книг
- Чтение новостей
- Отслеживание курсов акций
- Подписка на Apple Music
- Подписка на Apple TV+
- Подписка на Apple Arcade
- Подписка на Apple News+
- Подписка на подкасты и каналы
- Управление подписками в App Store
- Просмотр семейных подписок на сервисы Apple
- Управление файлами cookie и другими данными веб-сайтов в Safari
- Использование режима частного доступа в Safari
- Просмотр отчетов о конфиденциальности в Safari
- О паролях
- Сброс пароля для входа в систему Mac
- Создание и автозаполнение надежных паролей
- Обеспечение безопасности Apple ID
- Настройка защиты компьютера Mac
- Защита конфиденциальности в Почте
- Сохранение конфиденциальности
- Оплата через Apple Pay в Safari
- Использование функции «Вход с Apple» для приложений и веб-сайтов
- Защита компьютера Mac от вредоносного ПО
- Управление доступом к камере
- Поиск пропавшего устройства
- Начало работы с функциями универсального доступа
- Зрение
- Слух
- Моторика и координация
- Основные
- Изменение яркости экрана
- Подключение беспроводной клавиатуры, мыши или трекпада
- Подключение других беспроводных устройств
- Подключение монитора, телевизора или проектора
- Добавление принтера
- Использование встроенной камеры
- Использование наушников AirPods с компьютером Mac
- Экономия энергии на Mac
- Оптимизация хранилища
- Запись CD- и DVD-дисков
- Управление домашними аксессуарами
- Запуск системы Windows на компьютере Mac
- Ресурсы для Mac
- Ресурсы для устройств Apple
- Авторские права
Можно выполнить точную настройку калибровки дисплея, задав значения точки белого и яркости. Таким образом можно задать нестандартные значения для калибровки дисплея. В случае Pro Display XDR точную настройку калибровки можно выполнить независимо от используемого эталонного режима.
Чтобы изменить эти настройки, выберите меню Apple > «Системные настройки», нажмите «Мониторы» , нажмите «Настройки мониторов», нажмите «Наборы настроек», затем нажмите «Точная настройка калибровки».
Если параметр «Точная настройка калибровки» затемнен, хотя Вы используете поддерживаемую модель Mac, возможно, необходимо изменить эталонный режим монитора. Если установлен пользовательский эталонный режим, выберите «Ограничить яркость до доступной для полноэкранного режима», чтобы включить возможность точной настройки.
Параметр | Описание | ||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|
Точка белого (x) | Координата цветности x, как описано в цветовом пространстве CIE 1931 xyY при измерении белого изображения. | ||||||||||
Точка белого (y) | Координата цветности y, как описано в цветовом пространстве CIE 1931 xyY при измерении белого изображения. | ||||||||||
Яркость (кд/м²) | Значение Y (яркость), как описано в цветовом пространстве CIE 1931 xyY при измерении белого изображения. | ||||||||||
Описание | Поле для описания (необязательно). | ||||||||||
Текущая точная настройка |
| ||||||||||
Настройки по умолчанию | Сброс точной настройки и переключение дисплея на текущее состояние калибровки. |
Вы можете также проверить текущую калибровку дисплея и повторить калибровку. См. статью службы поддержки Apple Измерение и калибровка дисплея Apple Pro Display XDR.
См. такжеСоздание пользовательских эталонных режимов на Mac
Максимальное количество символов: 250
Не указывайте в комментарии личную информацию.
Максимальное количество символов: 250.
Благодарим вас за отзыв.
Тонкая настройка Windows, Linux, Apple — Запускай.РФ
Что вообще за такая тонкая настройка? Что это?
Лично мы понимаем под тонкой настройкой модификацию функций и свойств программного обеспечения, которая проводится в соответствиями целями и задачами, стоящие перед конкретным пользователем или всей системы в целом. Вот лишь несколько, но основных целей тонкой настройки — скорость, качество, безопасность, удобство, качество, продуктивность всей работы операционной системы в целом, отдельных ее компонентов или какого-либо стороннего ПО. Если рассуждать простыми словами и обобщить, то под тонкой настройкой можно понимать улучшение работы компьютера.
Что поддается тонкой настройке?
Практически любой компонент компьютера, начиная от отдельных комплектующих деталей, заканчивая различными программами. Можно разогнать чип процессора или видеокарты, можно настроить BIOS, можно настроить систему, можно настроить программы и т.п.
Могу ли я самостоятельно провести тонкую настройку?
Конечно можете при наличии четко поставленных целей, наличия опыта, понимания процессов модификации программ или железа. Некоторые услышав или прочитав где то о возможности самостоятельно провести тонкую настройку ПК, делают это довольно успешно. Большинство же делает это бездумно, за что потом расплачивается и теряет свое время. К примеру, качают из сети программу под названием типа «Лучшая программа оптимизации работы вашего ПК совершенно бесплатно». Сразу опустим тот момент, что это како-либо софт с вредоносным кодом внутри, а допустим что это официально приобретенная профессиональная программа хорошего качества. Они ее запускают, полагаясь на то, что она им все подскажет и сделает почти все за них. Начинают тыкать везде, нажимать и изменять все имеющиеся настройки и т.п. Затем начинаются вопросы типа «почему это у меня перестало работать, почему это картинка на рабочем столе пропала, почему это файлы теперь не ищутся, а куда вот эта программа пропала» и т.д.
Помните бездумное и бесцельное следование различного рода инструкциям и советам, а также разного рода экспериментам, в большинстве случаев приводит к весьма странным и неоднозначным для вашего компьютера последствиям. Хотя плюсы в этом тоже есть — вы наберетесь немного опыта.
Стоит ли использовать различные программы для тонкой настройки?
Сразу отметим, что мы предпочитаем настраивать все вручную. Если же затрагиваются довольно большие массивы однотипных настроек, то мы используем профессиональный софт, специально предназначенный для тех или иных целей. Если же вы самостоятельно решили использовать приобретенный софт, рекомендуем вам внимательно и вдумчиво подходить к смене тех или иных настроек, функций, свойств программ.
Огромный совет по проведению тонкой настройки
Прежде чем что то менять, поймите, осознайте, что вы меняете, какие элементы это затронет и надо ли оно вам. Вы можете сэкономить свое время и нервы, воспользовавшись нашими услугами. Мы проведем все необходимые мероприятия быстро и качественно и вы сможете наслаждаться работой за компьютером.
Чтобы не быть голословными, приведем один самый простой пример настройки компьютера для человека, который всю свою работу осуществляет в сети интернет. Так как пользователь все свое рабочее время проводит в сети, ему требуется, во-первых, надежная стабильная связь, во-вторых, четкая и безотказная работа браузера, в-третьих, расширения для браузера, увеличивающие качество и эффективность работы, в-четвертых, резервное копирование настроек браузера, на этом прервемся и разъясним каждую из перечисленных настроек. Надежная и стабильная связь компьютера с сетью обеспечивается ручной настройкой сетевого оборудования, в том числе обеспечением антивирусной безопасности. Четкая и безотказная работа браузера зависит от выбора самого браузера и его настроек. Так, к примеру, для браузера Mozilla FireFox существует более двух тысяч параметров настроек, правильная установка которых является частью общего успеха. Для этого браузера желательно настроить дефрагментацию и очистку базы данных с установкой периодичности такой функции. Установка и настройка дополнительных программ, таких как переводчики, синхронизаторы, авторизаторы и другие, позволят пользователю, не переходя на сторонние сайты или не открывая дополнительные приложения в операционной системе, выполнять большую часть всей действий, не закрывая при этом браузера. В любой системе бывают ошибки — это аксиома и поэтому настройка резервного копирования базы данных позволит избежать потери данных в случае сбоя системы. Таким образом, тонкая настройка позволяет добиться максимальной скорости, эффективности и безопасности в конкретном примере. Таким же образом, но с помощью другим приемов, может быть настроена любая компьютерная программа для целей максимального увеличения скорости ее работы и эффективности работы в ней.
Операционная система Windows может быть подвергнута тонкой настройке. При тонкой настройке операционной системы затрагиваются ее основные функции и свойства, позволяющие максимально увеличить быстродействие и эффективность ее работы, но при неправильном и/или неумелом использовании системных свойств можно только навредить самому себе. Поэтому прибегайте к помощи профессионалов. Наши специалисты настроят практически любое программное обеспечению наилучшим образом. При тонкой настройке операционной системы Windows затрагиваются такие ее составляющие, как графические настройки, свойства папок, кэш, отчеты об ошибках, неиспользуемые службы и программы, файл подкачки, реестр, автозагрузка, индексирование файловой системы, библиотеки и многие другие составляющие, оптимальную настройку которых мы гарантируем. Мы обеспечим профессиональный подход и высокое качество услуг.
Компания Запускай.РФ оказывает широкий спектр услуг по настройке и ремонту компьютеров и ноутбуков. На все оказываемые услуги предоставляется гарантия. Воспользуйтесь нашими услугами. Позвоните по телефону +7(926)911-2727 или оформите заявку через сайт и в самом скором времени с вами свяжется наш специалист. Мы оказываем услуги на территории Москвы и Московской области частным (физическим) лицам и компаниям (юридическим лицам) за наличный и безналичный расчет, в том числе принимаем к оплате электронные деньги. Мы хорошо знаем свое дело — ведь это наша работа.
Настройка точного расписания выпуска — Microsoft Store
Twitter LinkedIn Facebook Адрес электронной почты
- Статья
- Чтение занимает 11 мин
В разделе Расписание на странице Цены и доступность вы можете установить точные дату и время когда ваше приложение станет доступным в Store. Это дает вам возможность эффективнее подбирать даты для различных стран.
Примечание
Несмотря на то что этот раздел относится к приложениям, настройка расписания выпуска для отправок надстроек выполняется аналогичным образом.
Вы также можете установить дату, когда продукт перестанет быть доступным в Store. Это означает, что продукт не удастся найти в Store через поиск или обзор, но любой клиент сможет просмотреть описание продукта в Store, если у него есть прямая ссылка на него. они могут скачать его только в том случае, если они уже владеют продуктом или имеют рекламный код и используют Windows 10 или Windows 11 устройство.
По умолчанию ваше приложение будет доступно клиентам, как только пройдет сертификацию и процедуру публикации (если только вы не выбрали один из вариантов в меню Сделать это приложение доступным, но невидимым в Store в разделе Видимость). Чтобы развернуть этот раздел и указать другие даты, выберите вариант Показать параметры.
Вы не сможете изменить даты в разделе Расписание, если вы выбрали один из вариантов в меню Сделать это приложение доступным, но невидимым в Store в разделе Видимость, так как ваше приложение не будет представлено клиентам и, соответственно, не будет даты выпуска, которую можно изменить.
Важно!
даты, указанные в разделе Schedule, применяются только к клиентам на Windows 10 и Windows 11.
Если ранее опубликованное приложение поддерживает более ранние версии ОС, любая выбранная дата приобретения не будет применяться к этим клиентам. они по-прежнему смогут получить приложение (если только вы не отправите обновление с новым выбором в разделе видимость или если на странице Обзор приложения выбран вариант сделать приложение недоступным ).
Основное расписание
Варианты, выбранные в разделе «Основное расписание», будут распространяться на все страны, в которых доступно приложение, если только позже вы не добавите даты для определенных стран (или групп стран), выбрав вариант Настроить для определенных стран.
Здесь вы увидите два варианта: Выпуск и Остановить приобретение.
Выпуск
В раскрывающемся меню Выпуск вы можете указать, когда ваше приложение будет доступно в Store. Это означает, что приложение может быть обнаружено в Store через поиск или обзор, и что клиенты могут просмотреть его описание в Store, а затем приобрести.
Примечание
После того как приложение было опубликовано и стало доступно в Store, вы не сможете выбрать дату выпуска, поскольку приложение уже выпущено.
Ниже приведены варианты, которые можно изменить в связи с расписанием выпуска продукта.
- Как можно скорее: продукт будет выпущен сразу же после его сертификации и публикации. Это параметр по умолчанию.
- В: продукт будет выпущен в соответствии с указанными вами датой и временем. У вас есть два дополнительных варианта.
- UTC: выбранное вами время будет указано в формате всемирного координированного времени (UTC), и приложение будет выпущено в одно и то же время повсеместно.
- Местное: выбранное вами время будет применяться для каждого часового пояса, связанного с той или иной страной. (Обратите внимание, что для рынков, включающих более одного часового пояса, будет использоваться только один часовой пояс на этом рынке. Для США используется Восточного часового пояса. Полный список часовых поясов приведен ниже на этой странице.)
- Не запланировано: приложение не будет доступно в Store. Если выбрать этот вариант, вы сможете сделать приложение доступным в Store позже, создав новую отправку и выбрав один из других вариантов.
Остановить приобретение
В раскрывающемся меню Остановить приобретение вы можете указать дату и время, начиная с которых новые клиенты не смогут приобрести приложение в Store или найти его описание. Это может быть полезно, если вы хотите точно контролировать длительность периода, в течение которого приложение будет доступно для новых клиентов (например, при регулировании соотношения доступности нескольких приложений).
По умолчанию для варианта Остановить приобретение задано значение «Никогда». Чтобы изменить его, в раскрывающемся меню выберите вариант В и укажите дату и время, как это описано выше. Начиная с выбранных вами даты и времени клиенты не смогут приобрести приложение.
важно понимать, что этот параметр имеет такое же влияние, как и выбор сделать это приложение обнаруживаемым, но недоступным в разделе » видимость «, и выбрав пункт » прекращение приобретения». любой клиент с прямой ссылкой может просматривать список магазинов продукта, но он может скачать его только в том случае, если он владеет продуктом, или иметь рекламный код и использовать Windows 10 или Windows 11ное устройство. Чтобы полностью отключить предложение приложения новым клиентам, щелкните сделать приложение недоступным на странице Обзор приложения. Дополнительные сведения см. в статье Удаление приложения из Store.
Совет
Если вы указали дату в меню Остановить приобретениеи позже решили снова сделать приложение доступным, вы можете создать новую отправку и изменить значение в меню Остановить приобретение на Никогда. Приложение снова станет доступным после публикации обновленной отправки.
Настройка расписания для определенных стран
По умолчанию выбранные выше варианты будут применены для всех стран, в которых доступно приложение. Чтобы изменить цены для определенных стран, выберите вариант Настроить для определенных стран. Появится всплывающее окно Выбор страны с перечислением всех выбранных вами стран, в которых доступно ваше приложение. Страны, исключенные в разделе Страны, не отображаются.
Чтобы добавить расписание для одной страны, выберите ее и нажмите кнопку Сохранить. Вы увидите описанные выше варианты Выпуск и Остановить приобретение, но указанные вами данные будут применяться только для этой страны.
Чтобы добавить расписание, которое будет применяться для нескольких стран, необходимо создать Группу стран. Чтобы сделать это, выберите страны, которые вы хотите включить в группу, а затем введите имя группы. (Это имя используется только в ваших справочных целях и не будет видно пользователям.) Например, если вы хотите создать группу стран для Северной Америки, вы выбираете Канада, Мексика и США, а затем присваиваете группе имя Северная Америка или другое выбранное вами имя. Создав группу стран, нажмите кнопку Сохранить. Вы увидите описанные выше варианты Выпуск и Остановить приобретение, но указанные вами данные будут применяться только для этой группы стран.
Чтобы добавить определенное расписание для другой страны или группы стран, просто выберите вариант Настроить для определенных стран снова и повторите описанную процедуру. Чтобы изменить страны, включенные в группу, выберите ее имя. Чтобы удалить определенное расписание для группы стран (или отдельной страны), нажмите кнопку Удалить.
Примечание
Та или иная страна может быть включена только в одну группу стран, которые используются в разделе Расписание.
Глобальные Часовые пояса
Ниже приведена таблица, в которой показано, какие конкретные Часовые пояса используются на каждом рынке, поэтому когда в отправке используется местное время (например, выпуск в 9:00 local), вы можете узнать, какое время будет выдаваться на каждом рынке, особенно полезное на рынках с несколькими часовыми поясами, например в Канаде.
Market | Часовой пояс |
---|---|
Афганистан | (UTC+04:30) Кабул |
Албания | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Алжир | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Американское Самоа | (UTC+13:00) Самоа |
Андорра | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Ангола | (UTC+01:00) Западная Центральная Африка |
Ангилья | (UTC-04:00) Атлантическое время (Канада) |
Антарктика | (UTC+12:00) Окленд, Веллингтон |
Антигуа и Барбуда | (UTC-04:00) Атлантическое время (Канада) |
Аргентина | (UTC-03:00) Буэнос-Айрес |
Армения | (UTC+04:00) Абу-Даби, Маскат |
Аруба | (UTC-04:00) Атлантическое время (Канада) |
Австралия | (UTC+10:00) Канберра, Мельбурн, Сидней |
Австрия | (UTC+01:00) Амстердам, Берлин, Берн, Рим, Стокгольм, Вена |
Азербайджан | (UTC+04:00) Баку |
Багамы | (UTC-05:00) Восточное время (США и Канада) |
Бахрейн | (UTC+04:00) Абу-Даби, Маскат |
Бангладеш | (UTC+06:00) Дакка |
Барбадос | (UTC-04:00) Атлантическое время (Канада) |
Беларусь | (UTC+03:00) Минск |
Бельгия | (UTC+01:00) Брюссель, Копенгаген, Мадрид, Париж |
Белиз | (UTC-06:00) Центральное время (США и Канада) |
Бенин | (UTC+01:00) Западная Центральная Африка |
Бермудские о-ва | (UTC-04:00) Атлантическое время (Канада) |
Бутан | (UTC+06:00) Дакка |
Венесуэла (Боливарианская Республика) | (UTC-04:00) Каракас |
Боливия | (UTC-04:00) Джорджтаун, Ла-Пас, Манаус, Сан-Хуан |
Бонайре, Синт-Эстатиус и Саба | (UTC-04:00) Атлантическое время (Канада) |
Босния и Герцеговина | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Ботсвана | (UTC+01:00) Западная Центральная Африка |
Остров Буве | (UTC+00:00) Монровия, Рейкьявик |
Бразилия | (UTC-03:00) Бразилиа |
Британская территория в Индийском океане | (UTC+06:00) Дакка |
Виргинские о-ва (Великобритания) | (UTC-04:00) Атлантическое время (Канада) |
Бруней-Даруссалам | (UTC+08:00) Иркутск |
Болгария | (UTC+02:00) Кишинев |
Буркина-Фасо | (UTC+00:00) Монровия, Рейкьявик |
Бурунди | (UTC+02:00) Хараре, Претория |
КÃ ́те Д’ивуар | (UTC+00:00) Монровия, Рейкьявик |
Камбоджа | (UTC+07:00) Бангкок, Ханой, Джакарта |
Камерун | (UTC+01:00) Западная Центральная Африка |
Канада | (UTC-05:00) Восточное время (США и Канада) |
Кабо-Верде | (UTC-01:00) Кабо-Верде |
Острова Кайман | (UTC-05:00) Восточное время (США и Канада) |
Центрально-Африканская Республика | (UTC+01:00) Западная Центральная Африка |
Чад | (UTC+01:00) Западная Центральная Африка |
Чили | (UTC-04:00) Сантьяго |
Китай | (UTC+08:00) Пекин, Чунцин, Гонконг, Урумчи |
Остров Рождества | (UTC+07:00) Красноярск |
Кокосовые о-ва | (UTC+06:30) Янгон (Рангун) |
Колумбия | (UTC-05:00) Богота, Кито, Лима, Риу-Бранку |
Коморы | (UTC+03:00) Найроби |
Конго | (UTC+01:00) Западная Центральная Африка |
Демократическая Республика Конго | (UTC+01:00) Западная Центральная Африка |
Острова Кука | (UTC-10:00) Гавайские острова |
Коста-Рика | (UTC-06:00) Центральное время (США и Канада) |
Хорватия | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Кюрасао § AO | (UTC-04:00) Куяба |
Кипр | (UTC+02:00) Кишинев |
Чехия | (UTC+01:00) Белград, Братислава, Будапешт, Любляна, Прага |
Дания | (UTC+01:00) Брюссель, Копенгаген, Мадрид, Париж |
Джибути | (UTC+03:00) Найроби |
Доминика | (UTC-04:00) Атлантическое время (Канада) |
Доминиканская Республика | (UTC-04:00) Атлантическое время (Канада) |
Эквадор | (UTC-05:00) Богота, Кито, Лима, Риу-Бранку |
Египет | (UTC+02:00) Кишинев |
Эль-Сальвадор | (UTC-06:00) Центральное время (США и Канада) |
Экваториальная Гвинея | (UTC+01:00) Западная Центральная Африка |
Эритрея | (UTC+03:00) Найроби |
Эстония | (UTC+02:00) Кишинев |
Эфиопия | (UTC+03:00) Найроби |
Фолклендские острова (Мальвинские) | (UTC-04:00) Сантьяго |
Фарерские о-ва | (UTC+00:00) Дублин, Эдинбург, Лиссабон, Лондон |
Фиджи | (UTC+12:00) Фиджи |
Финляндия | (UTC+02:00) Хельсинки, Киев, Рига, София, Таллинн, Вильнюс |
Франция | (UTC+01:00) Брюссель, Копенгаген, Мадрид, Париж |
Французская Гвиана | (UTC-03:00) Кайенна, Форталеза |
Французская Полинезия | (UTC-10:00) Гавайские острова |
Французские Южные Территории | (UTC+05:00) Ашхабад, Ташкент |
Габон | (UTC+01:00) Западная Центральная Африка |
Гамбия | (UTC+00:00) Монровия, Рейкьявик |
Грузия | (UTC-05:00) Восточное время (США и Канада) |
Германия | (UTC+01:00) Амстердам, Берлин, Берн, Рим, Стокгольм, Вена |
Гана | (UTC+00:00) Монровия, Рейкьявик |
Гибралтар | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Греция | (UTC+02:00) Афины, Бухарест |
Гренландия | (UTC+00:00) Монровия, Рейкьявик |
Гренада | (UTC-04:00) Атлантическое время (Канада) |
Гваделупа | (UTC-04:00) Атлантическое время (Канада) |
Гуам | (UTC+10:00) Гуам, Порт-Морсби |
Гватемала | (UTC-06:00) Центральное время (США и Канада) |
Гернси | (UTC+00:00) Монровия, Рейкьявик |
Гвинея | (UTC+00:00) Монровия, Рейкьявик |
Гвинея-Бисау | (UTC+00:00) Монровия, Рейкьявик |
Гайана | (UTC-04:00) Атлантическое время (Канада) |
Гаити | (UTC-05:00) Восточное время (США и Канада) |
Остров Херд и острова Макдональд | (UTC-05:00) Богота, Кито, Лима, Риу-Бранку |
Папский Престол (Ватикан) | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Гондурас | (UTC-06:00) Центральное время (США и Канада) |
Гонконг (САР) | (UTC+08:00) Пекин, Чунцин, Гонконг, Урумчи |
Венгрия | (UTC+01:00) Белград, Братислава, Будапешт, Любляна, Прага |
Исландия | (UTC+00:00) Монровия, Рейкьявик |
Индия | (UTC+05:30) Ченнаи, Колката, Мумбаи, Нью-Дели |
Индонезия | (UTC+07:00) Бангкок, Ханой, Джакарта |
Ирак | (UTC+04:00) Абу-Даби, Маскат |
Ирландия | (UTC+00:00) Дублин, Эдинбург, Лиссабон, Лондон |
Израиль | (UTC+02:00) Иерусалим |
Италия | (UTC+01:00) Амстердам, Берлин, Берн, Рим, Стокгольм, Вена |
Ямайка | (UTC-05:00) Восточное время (США и Канада) |
Япония | (UTC+09:00) Осака, Саппоро, Токио |
Джерси | (UTC+00:00) Монровия, Рейкьявик |
Иордания | (UTC+02:00) Кишинев |
Казахстан | (UTC+05:00) Ашхабад, Ташкент |
Кения | (UTC+03:00) Найроби |
Кирибати | (UTC+14:00) Остров Киритимати |
Корея | (UTC+09:00) Сеул |
Кувейт | (UTC+04:00) Абу-Даби, Маскат |
Киргизстан | (UTC+06:00) Астана |
Лаос | (UTC+07:00) Бангкок, Ханой, Джакарта |
Латвия | (UTC+02:00) Кишинев |
Лесото | (UTC+02:00) Хараре, Претория |
Либерия | (UTC+00:00) Монровия, Рейкьявик |
Ливия | (UTC+02:00) Кишинев |
Лихтенштейн | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Литва | (UTC+02:00) Кишинев |
Люксембург | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Макао (САР) | (UTC+08:00) Пекин, Чунцин, Гонконг, Урумчи |
Мадагаскар | (UTC+03:00) Найроби |
Малави | (UTC+02:00) Хараре, Претория |
Малайзия | (UTC+08:00) Куала-Лумпур, Сингапур |
Мальдивы | (UTC+05:00) Ашхабад, Ташкент |
Мали | (UTC+00:00) Монровия, Рейкьявик |
Мальта | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Мужчина, остров | (UTC+00:00) Дублин, Эдинбург, Лиссабон, Лондон |
Маршалловы о-ва | (UTC+12:00) Петропавловск-Камчатский (старое) |
Мартиника | (UTC-04:00) Атлантическое время (Канада) |
Мавритания | (UTC+00:00) Монровия, Рейкьявик |
Маврикий | (UTC+04:00) Порт-Луи |
Майотта | (UTC+03:00) Найроби |
Мексика | (UTC-06:00) Гвадалахара, Мехико, Монтеррей |
Федеративные Штаты Микронезии | (UTC+10:00) Гуам, Порт-Морсби |
Молдова | (UTC+02:00) Кишинев |
Монако | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Монголия | (UTC+07:00) Красноярск |
Черногория | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Монтсеррат | (UTC-04:00) Атлантическое время (Канада) |
Марокко | (UTC+01:00) Касабланка |
Мозамбик | (UTC+02:00) Хараре, Претория |
Мьянма | (UTC+06:30) Янгон (Рангун) |
Намибия | (UTC+01:00) Амстердам, Берлин, Берн, Рим, Стокгольм, Вена |
Науру | (UTC+12:00) Петропавловск-Камчатский (старое) |
Непал | (UTC+05:45) Катманду |
Нидерланды | (UTC+01:00) Амстердам, Берлин, Берн, Рим, Стокгольм, Вена |
Новая Каледония | (UTC+11:00) Соломоновы острова, Новая Каледония |
Новая Зеландия | (UTC+12:00) Окленд, Веллингтон |
Никарагуа | (UTC-06:00) Центральное время (США и Канада) |
Нигер | (UTC+01:00) Западная Центральная Африка |
Нигерия | (UTC+01:00) Западная Центральная Африка |
Ниуэ | (UTC+13:00) Самоа |
О-в Норфолк | (UTC+11:00) Соломоновы острова, Новая Каледония |
Северная Македония | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Северные Марианские о-ва | (UTC+10:00) Гуам, Порт-Морсби |
Норвегия | (UTC+01:00) Амстердам, Берлин, Берн, Рим, Стокгольм, Вена |
Оман | (UTC+04:00) Абу-Даби, Маскат |
Пакистан | (UTC+05:00) Исламабад, Карачи |
Палау | (UTC+09:00) Осака, Саппоро, Токио |
Палестинская Автономия | (UTC+02:00) Кишинев |
Панама | (UTC-05:00) Восточное время (США и Канада) |
Папуа — Новая Гвинея | (UTC+10:00) Владивосток |
Парагвай | (UTC-04:00) Асунсьон |
Перу | (UTC-05:00) Богота, Кито, Лима, Риу-Бранку |
Филиппины | (UTC+08:00) Куала-Лумпур, Сингапур |
О-ва Питкэрн | (UTC-08:00) Тихоокеанское время (США и Канада) |
Польша | (UTC+01:00) Белград, Братислава, Будапешт, Любляна, Прага |
Португалия | (UTC+00:00) Дублин, Эдинбург, Лиссабон, Лондон |
Катар | (UTC+04:00) Абу-Даби, Маскат |
Реюньон | (UTC+04:00) Порт-Луи |
Румыния | (UTC+02:00) Кишинев |
ROW | (UTC-07:00) Горное время (США и Канада) |
Россия | (UTC+03:00) Москва, Санкт-Петербург |
Руанда | (UTC+02:00) Хараре, Претория |
СÃ Томã © и ПрãнЦипе | (UTC+00:00) Монровия, Рейкьявик |
Сен-Барсã © Леми | (UTC+04:00) Ереван |
Острова Св. Елены, Вознесения и Тристан-да-Кунья | (UTC+00:00) Дублин, Эдинбург, Лиссабон, Лондон |
Сент-Киттс и Невис | (UTC-04:00) Атлантическое время (Канада) |
Сент-Люсия | (UTC-04:00) Атлантическое время (Канада) |
Сен-Мартен (французская часть) | (UTC-04:00) Атлантическое время (Канада) |
Сен-Пьер и Микелон | (UTC-02:00) Среднеатлантическое время (старое) |
Сент-Винсент и Гренадины | (UTC-04:00) Атлантическое время (Канада) |
Самоа | (UTC+13:00) Самоа |
Сан-Марино | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Саудовская Аравия | (UTC+03:00) Кувейт, Эр-Рияд |
Сенегал | (UTC+00:00) Монровия, Рейкьявик |
Сербия | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Сейшельские Острова | (UTC+04:00) Абу-Даби, Маскат |
Сьерра-Леоне | (UTC+00:00) Монровия, Рейкьявик |
Сингапур | (UTC+08:00) Куала-Лумпур, Сингапур |
Синт-Мартен (нидерландская часть) | (UTC-04:00) Атлантическое время (Канада) |
Словакия | (UTC+01:00) Белград, Братислава, Будапешт, Любляна, Прага |
Словения | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Соломоновы Острова | (UTC+11:00) Соломоновы острова, Новая Каледония |
Сомали | (UTC+03:00) Найроби |
Южно-Африканская Республика | (UTC+02:00) Хараре, Претория |
Южная Георгия и Южные Сандвичевы о-ва | (UTC-02:00) Среднеатлантическое время (старое) |
Испания | (UTC+01:00) Брюссель, Копенгаген, Мадрид, Париж |
Шри-Ланка | (UTC+05:30) Ченнаи, Колката, Мумбаи, Нью-Дели |
Суринам | (UTC-03:00) Кайенна, Форталеза |
Шпицберген и Ян-Майен | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Свазиленд | (UTC+02:00) Хараре, Претория |
Швеция | (UTC+01:00) Амстердам, Берлин, Берн, Рим, Стокгольм, Вена |
Швейцария | (UTC+01:00) Амстердам, Берлин, Берн, Рим, Стокгольм, Вена |
Тайвань | (UTC+08:00) Тайбэй |
Таджикистан | (UTC+05:00) Ашхабад, Ташкент |
Танзания | (UTC+03:00) Найроби |
Таиланд | (UTC+07:00) Бангкок, Ханой, Джакарта |
Тимор-Лесте | (UTC+09:00) Сеул |
Того | (UTC+00:00) Монровия, Рейкьявик |
Токелау | (UTC+13:00) Нукуалофа |
Тонга | (UTC+13:00) Нукуалофа |
Тринидад и Тобаго | (UTC-04:00) Атлантическое время (Канада) |
Тунис | (UTC+01:00) Сараево, Скопье, Варшава, Загреб |
Турция | (UTC+03:00) Стамбул |
Туркменистан | (UTC+05:00) Ашхабад, Ташкент |
Острова Теркс и Кайкос | (UTC-05:00) Восточное время (США и Канада) |
Тувалу | (UTC+12:00) Петропавловск-Камчатский (старое) |
США Малые Тихоокеанские Отдаленные Острова США | (UTC+13:00) Самоа |
США (США) | (UTC-04:00) Атлантическое время (Канада) |
Уганда | (UTC+03:00) Найроби |
Украина | (UTC+02:00) Кишинев |
ОАЭ | (UTC+04:00) Абу-Даби, Маскат |
Соединенное Королевство | (UTC+00:00) Дублин, Эдинбург, Лиссабон, Лондон |
США | (UTC-05:00) Восточное время (США и Канада) |
Уругвай | (UTC-03:00) Бразилиа |
Узбекистан | (UTC+05:00) Ашхабад, Ташкент |
Вануату | (UTC+11:00) Соломоновы острова, Новая Каледония |
Вьетнам | (UTC+07:00) Бангкок, Ханой, Джакарта |
Уоллис и Футуна | (UTC+12:00) Петропавловск-Камчатский (старое) |
Йемен | (UTC+04:00) Абу-Даби, Маскат |
Замбия | (UTC+02:00) Хараре, Претория |
Зимбабве | (UTC+02:00) Хараре, Претория |
Последние достижения в области тонкой настройки языковых моделей
Тонкая настройка предварительно обученной языковой модели (LM) стала стандартом де-факто для переносного обучения при обработке естественного языка. За последние три года (Ruder, 2018) тонкая настройка (Howard & Ruder, 2018) заменила использование извлечения признаков из предварительно обученных вложений (Peters et al., 2018), в то время как предварительно обученные языковые модели предпочтительнее, чем модели, обученные переводу (McCann et al., 2018), выводу о естественном языке (Conneau et al., 2017) и другим задачам благодаря их повышенной эффективности выборки и производительности (Zhang and Bowman, 2018). Эмпирический успех этих методов привел к разработке все более крупных моделей (Devlin et al., 2019).; Раффель и др., 2020). Современные модели настолько велики, что могут достигать приемлемой производительности без каких-либо обновлений параметров (Brown et al., 2020). Однако ограничения этой настройки нулевого выстрела (см. этот раздел) делают вероятным, что для достижения наилучшей производительности или сохранения достаточной эффективности точная настройка будет по-прежнему оставаться методом работы при использовании больших предварительно обученных LM. на практике.
В стандартной настройке трансферного обучения (см. ниже; см. этот пост для общего обзора) модель сначала предварительно обучается на больших объемах немаркированных данных с использованием потери языкового моделирования, такого как моделирование маскированного языка (MLM; Devlin et др., 2019). Затем предварительно обученная модель точно настраивается на размеченных данных последующей задачи с использованием стандартной потери перекрестной энтропии.
Стандартная настройка предварительного обучения — точная настройка (адаптировано из (Ruder et al., 2019))Хотя предварительное обучение требует больших вычислительных ресурсов, точная настройка может быть выполнена сравнительно недорого. Тонкая настройка более важна для практического использования таких моделей, поскольку отдельные предварительно обученные модели загружаются и настраиваются миллионы раз (см. репозиторий моделей Hugging Face). Следовательно, тонкая настройка является основной темой этого поста. В частности, я расскажу о самых последних достижениях, которые сформировали или могут изменить способы точной настройки языковых моделей, которые можно увидеть ниже.
Обзор методов тонкой настройки, обсуждаемых в этом посте.Адаптивная тонкая настройка
Несмотря на то, что предварительно обученные языковые модели более надежны с точки зрения обобщения вне распределения, чем предыдущие модели (Hendrycks et al., 2020), они все еще плохо приспособлены для работы с данными, которые существенно отличается от того, на котором они были предварительно обучены. Адаптивная точная настройка — это способ преодолеть такой сдвиг в распределении путем точной настройки модели на данных, которые ближе к распределению целевых данных. В частности, адаптивная тонкая настройка включает в себя тонкую настройку модели на дополнительных данных до тонкой настройки для конкретной задачи, которую можно увидеть ниже. Важно отметить, что модель точно настроена с целью предварительной подготовки, поэтому для адаптивной тонкой настройки требуются только немаркированные данные.
Адаптивная точная настройка как часть стандартной настройки трансферного обучения. Предварительно обученная модель обучается с потерями перед обучением (обычно при моделировании маскированного языка) на данных, которые ближе к целевому распределению.Формально, если задана целевая область $\mathcal{D}_T$, состоящая из пространства признаков $\mathcal{X}$ и маргинального распределения вероятностей в пространстве признаков $P(X)$, где $X = \{x_1, \ldots, x_n \} \in \mathcal{X}$ (Pan and Yang, 2009; Ruder, 2019), адаптивная тонкая настройка позволяет нам узнать как о пространстве признаков $\mathcal{X}$, так и о распределении целевые данные $P(X)$.
Варианты адаптивной точной настройки — предметной, целевой и языковой адаптивной точной настройки — использовались для адаптации модели к данным целевого домена, целевой задачи и целевого языка соответственно. Дай и Ле (2015) впервые продемонстрировали преимущества тонкой настройки, адаптированной к предметной области. Ховард и Рудер (2018) позже продемонстрировали повышение эффективности выборки за счет точной настройки данных в предметной области в рамках ULMFiT. Они также предложили тонкую настройку, адаптирующуюся к задаче, которая настраивает модель с целью предварительного обучения на данных обучения задаче. Поскольку потери перед обучением предоставляют более богатую информацию для моделирования целевых данных по сравнению с перекрестной энтропией по меткам одной горячей задачи, точная настройка с адаптацией к задаче полезна помимо обычной точной настройки. В качестве альтернативы адаптивная и регулярная тонкая настройка может выполняться совместно с помощью многозадачного обучения (Chronopoulou et al., 2019).).
Адаптивная точная настройка домена и задачи недавно применялась к последнему поколению предварительно обученных моделей (Logeswaran et al., 2019; Han and Eisenstein, 2019; Mehri et al., 2019). Гуруранган и др. (2020) показывают, что адаптация к данным целевой области и целевой задачи дополняют друг друга. Недавно Pfeiffer и соавт. (2020) предложили тонкую настройку, адаптирующуюся к языку, для адаптации модели к новым языкам.
Адаптивно настроенная модель специализирована для определенного распределения данных, которое она сможет хорошо моделировать. Однако это происходит за счет его способности быть общей моделью языка. Таким образом, адаптивная точная настройка наиболее полезна, когда важна высокая производительность (потенциально нескольких) задач одной области и может быть неэффективной с вычислительной точки зрения, если предварительно обученная модель должна быть адаптирована к большому количеству областей.
Поведенческая точная настройка
Хотя адаптивная точная настройка позволяет нам специализировать нашу модель на $\mathcal{D}_T$, она не сообщает нам ничего непосредственно о целевой задаче. Формально целевая задача $\mathcal{T}_T$ состоит из пространства меток $\mathcal{Y}$, априорного распределения $P(Y)$, где $Y = \{y_1, \ldots, y_n \} \ в \mathcal{Y}$ и условное распределение вероятностей $P(Y | X)$. В качестве альтернативы мы можем обучить модели возможностям, полезным для успешного выполнения целевой задачи, настроив ее на соответствующие задачи, как показано ниже. Мы будем ссылаться на этот параметр как тонкая настройка поведения , поскольку он фокусируется на изучении полезного поведения и отличии его от адаптивной тонкой настройки.
Тонкая настройка поведения предварительно обученной модели. Предварительно обученная модель обучается с помощью конкретных контролируемых или самоконтролируемых целей для задач, которые имеют отношение к целевой задаче.Один из способов обучения релевантным возможностям модели — это ее точная настройка на соответствующих помеченных данных связанной задачи до точной настройки для конкретной задачи (Phang et al., 2018). Это так называемое промежуточное обучение лучше всего работает с задачами, требующими высокого уровня умственных способностей и рассуждений (Pruksachatkun et al., 2020; Phang et al., 2020). Тонкая настройка поведения с помощью размеченных данных использовалась для обучения модели информации об именованных объектах (Broscheit, 2019).), перефразирование (Arase and Tsujii, 2019), синтаксис (Glavaš and Vulić, 2020), выбор предложения для ответа (Garg et al. , 2020) и ответ на вопрос (Khashabi et al., 2020). Агаджанян и др. (2021) точно настроили около 50 размеченных наборов данных в многозадачной среде и заметили, что большой и разнообразный набор задач важен для хорошей производительности передачи.
Поскольку контролируемые данные таких задач на рассуждения высокого уровня, как правило, трудно получить, мы можем вместо этого тренироваться на задачах, которые обучают возможностям модели, которые имеют отношение к последующей задаче, но которые все еще можно изучить в режиме самоконтроля. Например, Доу и Нойбиг (2021) доработали модель выравнивания слов с целью научить ее, среди прочего, идентифицировать параллельные предложения. Селлам и др. (2020) настраивают BERT для оценки качества с помощью ряда сигналов сходства предложений. В обоих случаях важно разнообразие обучающих сигналов.
Еще один эффективный способ — сформулировать целевую задачу как форму моделирования замаскированного языка. С этой целью Ben-David et al. (2020) настраивают модель адаптации домена настроений с целью на основе опорной точки. Другие предлагают цели перед тренировкой, которые можно использовать аналогичным образом во время тонкой настройки: Ram et al. (2021) предварительно обучили модель для обеспечения качества с помощью задачи выбора диапазона, в то время как Bansal et al. (2020) предварительно обучают модель для обучения за несколько шагов, автоматически генерируя многоклассовые задачи классификации в стиле cloze.
Различие между адаптивной и поведенческой тонкой настройкой побуждает нас задуматься об индуктивных смещениях, которые мы стремимся внедрить в нашу модель, и о том, относятся ли они к свойствам предметной области $\mathcal{D}$ или к задаче $\mathcal{T} $ . Разделение роли предметной области и задачи важно, поскольку информацию о предметной области часто можно получить, используя ограниченные неразмеченные данные (Ramponi and Plank, 2020), в то время как для приобретения высокоуровневых навыков понимания естественного языка с помощью современных методов обычно требуются миллиарды предварительных тренировок. выборки данных (Zhang et al., 2020).
Однако различие между задачей и областью становится более нечетким, когда мы формулируем задачи с точки зрения цели предварительного обучения. Достаточно общая задача предварительного обучения, такая как MLM, может предоставить полезную информацию для изучения $P(Y | X)$, но, вероятно, не содержит всех сигналов, важных для задачи. Например, модели, предварительно обученные с помощью MLM, борются с моделированием отрицаний, чисел или именованных объектов (Rogers et al., 2020).
Точно так же использование расширения данных запутывает роли $\mathcal{D}$ и $\mathcal{T}$, поскольку позволяет нам кодировать желаемые возможности непосредственно в данных. Например, путем точной настройки модели текста, в которой гендерные слова заменяются словами противоположного пола, модель можно сделать более устойчивой к гендерной предвзятости (Zhao et al., 2018; Zhao et al., 2019).; Манела и др., 2021).
Тонкая настройка с эффективным использованием параметров
Когда модель необходимо настроить во многих параметрах, например, для большого числа пользователей, хранение копии модели с тонкой настройкой для каждого сценария требует значительных вычислительных ресурсов. Следовательно, недавняя работа была сосредоточена на сохранении большинства параметров модели фиксированными и тонкой настройке небольшого количества параметров для каждой задачи. На практике это позволяет хранить одну копию большой модели и множество файлов гораздо меньшего размера с изменениями, специфичными для конкретной задачи.
Первые подходы в этом направлении работы основаны на адаптерах (Rebuffi et al., 2017), небольших слоях узкого места, которые вставляются между слоями предварительно обученной модели (Houlsby et al., 2019; Stickland and Murray, 2019), параметры которого фиксированы. Адаптеры отображают общие настройки, такие как сохранение нескольких контрольных точек во время обучения, а также более продвинутые методы, такие как усреднение контрольных точек (Измайлов и др., 2018 г.), объединение снимков (Хуанг и др., 2017 г.) и временное объединение (Лейн и Айла, 2017 г.) гораздо более компактный. Используя адаптеры, универсальную модель можно эффективно адаптировать ко многим параметрам, таким как разные языки (Bapna and Firat, 2019). ). Пфайффер и др. (2020) недавно продемонстрировали, что адаптеры являются модульными и могут быть объединены посредством стека, что позволяет изолированно изучать специализированные представления. Это особенно полезно при работе с ранее обсуждавшимися методами: адаптер с адаптивной или поведенческой тонкой настройкой можно оценить без какой-либо тонкой настройки для конкретной задачи, поместив поверх него обученный адаптер задачи . Этот параметр можно увидеть ниже, где адаптер задачи, обученный распознаванию именованных объектов (NER), накладывается на адаптер английского языка (слева) или языка кечуа (справа).
Адаптеры задач и языков вставлены в блок Transformer в среде MAD-X (Pfeiffer et al., 2020). Адаптеры изучают инкапсулированные представления и могут заменяться друг другом, обеспечивая передачу с нулевым выстрелом. В то время как адаптеры изменяют активацию модели, не изменяя базовые параметры, другая линия работы напрямую изменяет предварительно обученные параметры. D$. Точно настроенные параметры являются результатом применения перестановок для конкретных задач к предварительно обученным параметрам:
\begin{equation}
\theta_{\text{тонкая настройка}} = \theta_{\text{предварительно обученная}} + \theta_{\text{задача}}
\end{equation}
Вместо сохраняя копию $\theta_{\text{точно настроенных}}$ для каждой задачи, мы можем хранить одну копию $\theta_{\text{предварительно обученных}}$ и копию $\theta_{\ text{task}}$ для каждой задачи. Эта настройка дешевле, если мы можем более эффективно параметризовать $\theta_{\text{task}}$. С этой целью Guo et al. (2020) изучают $\theta_{\text{task}}$ как разреженный вектор. Агаджанян и др. (2020) установили $\theta_{\text{task}} = \theta_\text{low} \textbf{M}$, где $\theta_\text{low}$ – малоразмерный вектор, а $\textbf{M }$ — случайная линейная проекция (в их случае преобразование FastFood (Li et al., 2018)). 9L)
\end{split}
\end{equation}
Хотя в НЛП это работает не так хорошо (Howard & Ruder, 2018), существуют другие подмножества параметров, которые более эффективны для точной настройки. Например, Бен-Закен и др. (2020) добиваются конкурентоспособных результатов только за счет точной настройки параметров смещения модели.
Другое направление работы сокращает параметры предварительно обученной модели во время тонкой настройки. В таких методах используются разные критерии для сокращения весов, например, на основе информации нулевого или первого порядка о важности веса (Sanh et al., 2020). Поскольку поддержка разреженных архитектур на текущем оборудовании ограничена, подходы, которые структурно разреженные, т.е. там, где обновления сосредоточены в ограниченном наборе слоев, матриц или векторов, в настоящее время предпочтительнее. Например, было показано, что последние несколько слоев предварительно обученных моделей имеют ограниченное применение во время тонкой настройки и могут быть случайным образом повторно инициализированы (Tamkin et al., 2020; Zhang et al., 2021) или даже полностью удалены (Chung et al., 2021). и др., 2021).
В то время как методы сокращения сосредоточены на уменьшении общего количества параметров моделей для конкретных задач, большинство других методов сосредоточено на сокращении числа обучаемых параметра — при сохранении копии $\theta_{\text{pre-trained}}$. Самый последний из последних подходов обычно соответствует производительности полной точной настройки при обучении около 0,5% параметров модели на задачу (Pfeiffer et al., 2020; Guo et al., 2020; Ben-Zaken et al., 2020). ).
Появляется все больше свидетельств того, что большие предварительно обученные языковые модели изучают представления, которые хорошо сжимают задачи НЛП (Li et al., 2018; Gordon et al., 2020; Agajanyan et al., 2020). Это практическое свидетельство в сочетании с их удобство, доступность (Pfeiffer et al., 2020), а также недавние эмпирические успехи делают эти методы перспективными как для проведения экспериментов, так и для практических целей.
Тонкая настройка преобразования текста в текст
Еще одним достижением в трансферном обучении является переход от моделей маскированного языка, таких как BERT (Devlin et al., 2019) и RoBERTa (Liu et al., 2019), к авторегрессионным моделям обучения. язык, такой как T5 (Raffel et al., 2019) и GPT-3 (Brown et al. , 2020). Хотя оба набора методов можно использовать для присвоения тексту оценок правдоподобия (Salazar et al., 2020), из авторегрессионных LM легче выбирать. Напротив, маскированные LM обычно ограничены настройками заполнения пробелов, например. (Петрони и др., 2019 г.).
Стандартный способ использования маскированных LM для точной настройки — это замена выходного слоя, используемого для MLM, случайным образом инициализируемой головкой для конкретной задачи, которая изучается в целевой задаче (Devlin et al., 2019). В качестве альтернативы, выходной слой предварительно обученной модели можно повторно использовать, преобразовав задачу в MLM в формате cloze (Talmor et al., 2020; Schick and Schütze, 2021). Аналогично, авторегрессионные LM обычно преобразуют целевую задачу в формат преобразования текста в текст (McCann et al., 2018; Raffel et al., 2020; Paolini et al., 2021). В обоих случаях модели могут извлечь выгоду из всех своих предварительно обученных знаний, и им не нужно изучать какие-либо новые параметры с нуля, что повышает эффективность их выборки.
В крайнем случае, когда никакие параметры не настраиваются точно, формулирование целевой задачи с точки зрения цели перед тренировкой позволяет проводить обучение с нулевым или малым количеством попыток, используя подсказку для конкретной задачи и небольшое количество примеров задачи. (Браун и др., 2020). Однако, несмотря на то, что такое поэтапное обучение возможно, это не самый эффективный способ использования таких моделей (Schick and Schütze, 2020; краткий обзор см. в этом посте). Обучение без обновлений требует огромной модели, поскольку модель должна полностью полагаться на существующие знания. Объем информации, доступной для модели, также ограничен ее контекстным окном, и подсказки, показываемые модели, должны быть тщательно спроектированы.
Расширение поиска (обзор см. в этом посте) можно использовать для разгрузки хранилища внешних знаний, а символические подходы можно использовать для обучения модели правилам для конкретных задач, аналогичным (Awasthi et al. , 2020). Предварительно обученные модели также станут крупнее и мощнее, и их поведение можно настроить так, чтобы они хорошо справлялись с настройкой нулевого выстрела. Однако без тонкой настройки модель в конечном счете ограничена в своей способности адаптироваться к новой задаче.
Следовательно, для большинства практических настроек лучший путь вперед, возможно, состоит в точной настройке всех или подмножества параметров модели с использованием методов, описанных в предыдущих разделах. Кроме того, мы будем все чаще видеть акцент на генеративных возможностях предварительно обученных моделей. В то время как современные методы обычно сосредоточены на изменении входных данных модели на естественном языке, например, с помощью автоматического проектирования подсказок (Schick and Schütze, 2020; Gao et al., 2020; Shin et al., 2020), наиболее эффективный способ модулировать выходные данные модели. такие модели, скорее всего, будут действовать непосредственно на свои скрытые представления (Dathathri et al. , 2020; обзор методов управляемой генерации см. в публикации Лилиан Венг).
Снижение нестабильности точной настройки
Практическая проблема точной настройки предварительно обученных моделей заключается в том, что производительность может сильно различаться между разными запусками, особенно на небольших наборах данных (Phang et al., 2018). Dodge et al., 2020 обнаружили, что как инициализация веса выходного слоя, так и порядок обучающих данных способствуют изменению производительности. Поскольку нестабильность обычно проявляется в начале тренировки, они рекомендуют прекращать наименее перспективные пробежки сразу после 20-30% тренировки. Мосбах и др. (2021) дополнительно рекомендуют использовать небольшие скорости обучения и увеличивать количество эпох при тонкой настройке BERT.
Ряд недавних методов направлен на смягчение нестабильности во время тонкой настройки, полагаясь на состязательные подходы или подходы, основанные на доверии (Zhu et al., 2019; Jiang et al. , 2020; Aghajanyan et al., 2021). Такие методы обычно увеличивают потери при точной настройке с помощью члена регуляризации, который ограничивает расхождение между шагами обновления.
В свете предыдущего раздела мы можем дать еще одну рекомендацию для минимизации нестабильности во время тонкой настройки: Избегайте использования случайно инициализируемого выходного слоя в целевой задаче для небольших наборов данных, формируя целевую задачу как форму LM или используя поведенческий тонкая настройка для тонкой настройки выходного слоя перед тонкой настройкой для конкретной задачи. Несмотря на то, что модели преобразования текста в текст, таким образом, более устойчивы к тонкой настройке на небольших наборах данных, они страдают от нестабильности в настройке с несколькими выстрелами и чувствительны к примерам с подсказками и несколькими выстрелами (Zhao et al., 2021).
В целом, поскольку модели все чаще применяются для решения сложных задач с меньшим количеством обучающих примеров, крайне важно разработать методы, устойчивые к возможным вариациям и поддающиеся надежной точной настройке.
Цитирование
Для атрибуции в академическом контексте, пожалуйста, цитируйте эту работу как:
@misc{ruder2021lmтонкая настройка, автор = {Рудер, Себастьян}, title = {{Последние достижения в тонкой настройке языковой модели}}, год = {2021}, какопубликовано = {\url{http://ruder.io/recent-advances-lm-fine-tuning}}, }
Информационный бюллетень
Если вы хотите получать регулярные обновления о достижениях в области машинного обучения и обработки естественного языка, подпишитесь на мою рассылку ниже. Адрес электронной почты: Имя (необязательно): Фамилия (необязательно):FINE-TUNE Синонимов: 6 синонимов и антонимов для FINE-TUNE
См. Определение Fine-Tune на Dictionary.com
- Глагол . вносить улучшения
- настраивать
См. также синонимы: настраивать
Тезаурус 21-го века Роже, третье издание Copyright © 2013, Philip Lief Group.
ВИКТОРИНА
Не нужно меззалуны, чтобы пройти эту викторину «Слово дня»!
НАЧНИТЕ ВИКТОРИНУКак использовать тонкую настройку в предложении
Маленькая книга в полном пурпурном переплете лежала наполовину скрытой в гнезде тонкой папиросной бумаги на туалетном столике.
ХИЛЬДА ЛЕССВЭЙСАРНОЛЬД БЕННЕТТ
Вспышка удивления и удовольствия осветила прекрасные глаза надменной красавицы, сидящей на стене дворца.
THE RED YEARLOUIS TRACY
Мне пришла в голову мысль, что я буду развлекать короля и королеву английской мелодией на этом инструменте.
ПУТЕШЕСТВИЯ ГУЛЛИВЕРА ДЖОНАТАН СВИФТ
Дайте приятное благоухание и память из тонкой муки, сделайте тучное приношение, а затем уступите место врачу.
БИБЛИЯ, ВЕРСИЯ ДУЭ-РЕЙМСА ВАРИАНТ
Его сильные ноги и широкие лопатообразные ступни помогали ему хорошо плавать.
СКАЗКА О ДЕДУШКЕ МОЛЕАРТУРЕ СКОТТЕ БЕЙЛИ
Когда дни были ясными, Джин в своей корзине участвовал в драматическом представлении на рынке.
РАДОСТНЫЕ ПРИКЛЮЧЕНИЯ АРИСТИДА ПУХОЛЬВИЛЬЯМА Дж. ЛОККА
Она открыла дверь квадратной комнаты с большими розами на белых обоях и прекрасной старой мебелью из красного дерева.
ANCESTORSGERTRUDE ATHERTON
Аристид снова искал послание звезд; но небо заволокло тучами, и вскоре пошел мелкий дождь.
РАДОСТНЫЕ ПРИКЛЮЧЕНИЯ АРИСТИДА ПУХОЛЬВИЛЬЯМА ДЖ. ЛОКА
Ритм простой мелодии приятно играет на слух ребенка, улучшая жизнь согласно этому великому закону.
CHILDREN’S WAYSJAMES SULLY
Приговор к штрафу и тюремному заключению, вынесенный лорду Бэкону в палате пэров за взяточничество.
THE EVERY DAY BOOK OF HISTORY AND CHRONOLOGYJOEL MUNSELL
WORDS RELATED TO FINE-TUNE
- accord
- allocate
- arrange
- clarify
- conclude
- conform
- coordinate
- doctor
- fiddle with
- тонкая настройка
- fix up
- grade
- methodize
- modify
- organize
- reconcile
- regulate
- settle
- sort
- standardize
- straighten
- systematize
- tally
- acclimatizes
- accommodates
- Применяет
- Адаптирует
- Изменяет
- Упорядочивает
- Составляет
- Соответствует
- disposes
- doctors
- does as Romans does
- fiddles with
- fine-tunes
- fits
- fixes
- fixes up
- gets acts together
- gets it together
- grins and bears it
- habituates
- гармонизирует
- приводит в соответствие
- изменяет
- заказы
- квадраты
- согласовывает
- исправляет
- исправляет
- regulates
- remodels
- settles
- suits
- swims with the tide
- tailor-makes
- tailors
- tunes
- adapt
- alter
- amplify
- analyze
- annotate
- arrange
- собрать
- назначить
- синий карандаш
- уварить
- мясник
- цензор
- проверить
- выбрать
- compile
- compose
- condense
- correct
- cut
- delete
- discard
- doctor
- draft
- emend
- excise
- feature
- fine-tune
- finish
- fly speck
- перейти
- макияж
- массаж
- полировать
- подготовить
- прописать
- корректировать
- опубликовать
- put together
- rearrange
- recalibrate
- rectify
- redact
- regulate
- rehash
- rephrase
- report
- revise
- scrub
- select
- set up
- strike out
- style
- затянуть
- подрезать
- переписать
- настроить
- баланс
- тонкую настройку
- изогнуть
- regulate
- restrain
- revamp
- switch
- temper
- tone
- transmogrify
- tune
- tweak
- vary
- better
- enhance
- fine-tune
- improve
- make improvements
- идеальный
- полировка
- полировка
- настройка
Тезаурус Roget’s 21st Century, третье издание Copyright © 2013, Philip Lief Group.
Тонкая настройка Определение
Что такое тонкая настройка?
Термин «тонкая настройка» относится к интервенционистской стратегии, используемой инвесторами для снижения потерь и рисков в своих инвестиционных портфелях. Индивидуальные инвесторы и финансовые специалисты, такие как управляющие портфелями, настраивают систему, внося небольшие изменения и улучшения. Этого можно добиться разными способами, в том числе с помощью новейших технологий, которые могут предсказать наилучшее время для внесения изменений.
Тонкая настройка помогает инвесторам соответствовать их общим инвестиционным целям. Это стратегия, которую многие инвесторы должны использовать при изменении условий.
Ключевые выводы
- Тонкая настройка — это стратегия, используемая в финансах и экономике для смягчения потерь и экономического стресса.
- Это включает в себя небольшие модификации и улучшения.
- Индивидуальные инвесторы могут настроиться самостоятельно или воспользоваться опытом финансовых специалистов, используя любое количество стратегий, таких как технический анализ.
- Тонкая настройка помогает инвесторам оставаться в соответствии со своими общими инвестиционными целями.
- Улучшения в технологии упростили тонкую настройку в инвестиционной отрасли.
Понимание тонкой настройки
Тонкая настройка — это стратегия, которую используют инвесторы и специалисты по инвестициям для улучшения инвестиционных портфелей. Инвестиционная индустрия предлагает широкий спектр вариантов инвестирования, теорий, продуктов и торговых стратегий, которые можно использовать для оптимизации результатов. Профессиональные инвестиционные менеджеры и опытные инвесторы постоянно корректируют свои экономические, количественные и фундаментальные модели для получения оптимальных результатов, следя за рынками и экономикой.
Это может быть достигнуто несколькими способами. Методология зависит от оптимизируемого процесса. Некоторые инвесторы выбирают тонкую настройку самостоятельно, внося небольшие изменения или улучшения в свои портфели. Другие могут полагаться на опыт финансовых специалистов, таких как финансовые аналитики, инвестиционные консультанты и портфельные менеджеры.
Усовершенствования в технологии теперь облегчают определение возможностей для тонкой настройки. Это включает в себя алгоритмы, которые автоматически вносят изменения в портфель на основе рыночных сдвигов и колебаний в экономике, которые могут идти вразрез с общими целями инвестора.
Как отмечалось выше, тонкая настройка важна для того, чтобы люди соответствовали своим инвестиционным целям. Инвесторам, возможно, придется реагировать на жизненные изменения и сдвиги в экономике, среди прочего. Например, инвесторы должны быть начеку и, возможно, должны реагировать на волатильность рынка или перераспределять капитал в своих пенсионных портфелях по мере взросления.
Тонкая настройка стратегических инвестиций — еще один способ, с помощью которого инвесторы могут вносить изменения в свои портфели. Этот тип тонкой настройки не связан с кодированием или электронными алгоритмами. Вместо этого инвесторы могут изменить свои инвестиционные планы, чтобы оптимизировать свои доходы, даже если реализация этих планов осуществляется вручную.
Особые указания
Тонкая настройка является очень важной частью исследований во многих различных отраслях. Исследователи могут дорабатывать свои исследования и теории в течение многих лет, прежде чем опубликуют свою работу. Улучшения в технологиях также помогли исследователям так же, как и частным лицам в инвестиционной индустрии. Это потому, что у них есть возможность сотрудничать с программистами, чтобы превратить свои теории в расчетные модели и алгоритмы инвестирования или торговли.
Экономисты и центральные банки могут использовать стратегии тонкой настройки, чтобы ускорить экономический рост с помощью денежно-кредитной и фискальной политики.
Тонкая настройка в области инвестирования и трейдинга
Индивидуальные инвесторы, ориентированные на получение долгосрочной прибыли, обычно обращаются за услугами к профессиональным инвестиционным менеджерам, которые помогут им настроить свои инвестиционные портфели. Эти услуги могут включать консультации или инвестирование через управляемые счета и фонды. Работа с финансовым консультантом может быть одним из лучших способов убедиться, что инвестиционный портфель активно настроен во всех типах рыночных условий.
Активная торговля и технический анализ также предоставляют широкие возможности для тонкой настройки. Активные трейдеры могут точно настроить свои инвестиционные стратегии, расширив типы используемых ими ордеров. Технические аналитики, использующие различные торговые стратегии, также могут корректировать свои торговые планы, выявляя и используя новые модели технического анализа или более комплексно систематически комбинируя модели технического анализа, чтобы добиться большей уверенности в торговых сигналах.
Хотя на инвестиционном рынке существует ряд возможностей для тонкой настройки, несколько теорий также поддерживают преимущества сохранения консервативной инвестиционной позиции. Диверсификация и теория эффективного рынка предполагают, что инвесторы должны четко осознавать свою допустимость риска для оптимального инвестирования в различные активы.
Технология кодирования
Достижения в практике и технологиях кодирования вызывают точные исследования среди разработчиков алгоритмов. Разработки, связанные с использованием тонкой настройки алгоритмов на основе нечеткой логики, искусственного интеллекта, нейронных сетей или генетических алгоритмов, дают несколько примеров областей, которые могут вызвать желание тонкой настройки при разработке алгоритмов. Эти технологические обновления становятся все более желательными с появлением алгоритмической и высокочастотной торговли.
Развитие алгоритмического трейдинга и количественного инвестирования дало представление о тонкой настройке новых измерений. Разработчики торговых или инвестиционных систем работают над улучшением и оптимизацией доходов за счет улучшения кодирования и модернизации аппаратных систем.
Высокочастотные трейдеры даже разработали специально созданные микрочипы с алгоритмами, встроенными в оборудование для более быстрой обработки. Независимо от технологии тонкая настройка направлена на повышение эффективности алгоритмических процессов или функций.
Как вы определяете тонкую настройку?
Тонкая настройка — это процесс, который инвесторы и специалисты по инвестициям используют для внесения небольших изменений или улучшений в инвестиционные портфели. Он может выполняться с использованием различных стратегий, таких как технический анализ, вручную или автоматически с использованием новых технологий.
Что такое аргумент тонкой настройки?
Аргумент тонкой настройки пытается объяснить происхождение Вселенной. Теория возникла в результате развития Теории Большого Взрыва, которая объясняет, как Вселенная зародилась и эволюционировала до такой, какой она является сегодня. Есть несколько вариаций этой теории. Некоторые религиозные люди считают, что их теория объясняет существование Бога, в то время как нерелигиозные люди говорят, что она помогает установить существование мультивселенной.
Что такое тонкая настройка в глубоком обучении?
Глубокое обучение — это небольшая часть машинного обучения.